中医诊断过程中医生通过切脉了解疾病的内在变化,但其诊断方式存在主观性较强的问题。本文基于患者脉搏信号构建机器学习模型,挖掘脉搏信号数据中的潜在知识,辅助医生临床诊断决策,助力脉诊客观化发展。论文研究内容包括基于脉搏信号的单标签疾病预测、多标签疾病预测、无监督表示学习,以及脉诊辅助决策平台的实现。论文工作内容如下:1.针对脉搏信号分类结果不具有可解释问题,提出多尺度判别子序列距离度量方法,首先基于判别子序列定位的目标函数获取显著脉搏信号子段,然后计算信号子段对在两种模态下的距离度量结果并将多个判别信号子段的距离度量结果作为信号子段对特征以建立多尺度距离特征空间,最后通过支持向量机实现脉搏信号分类。实验结果表明,该方法在11个公开数据集中7个达到最好性能,针对脉搏信号数据集,分类准确度达0.917。2.针对临床诊断中病人可能同时患有多种疾病的普遍现象,以及中医脉诊中脉动节律的重要性,提出面向多标签疾病预测的多尺度周期信息融合网络模型,模型由全局信号卷积编码器、周期信号卷积编码器、信息融合门及注意力模块组成,可在不同尺度下提取脉搏信号的深度特征,并将全局特征与周期内特征融合,为不同周期特征分配权重。实验结果表明,模型的精确率、召回率和F1值分别达0.923、0.941和0.932。3.为发现脉搏信号中潜在的模式,充分利用实际测量中存在的无标签脉搏信号数据,提出基于融合损失的无监督表示学习方法对未标记脉搏信号进行聚类分组。算法将脉搏信号降维和信号序列聚类集成于无监督端到端学习框架,利用卷积自动编码器获得潜在特征表示以降低信号时间维度,通过K均值目标引导潜在特征表示形成簇结构。实验结果表明,模型兰德指数和归一化互信息分别达0.903和0.653。4.设计并实现脉诊辅助决策平台。平台开发基于Java开源轻量级框架Spring Boot,采用浏览器/服务器架构,使用My SQL数据库进行数据存储。平台具备系统管理、数据管理、智能辅助诊断、诊疗规律挖掘等功能,有效辅助医生进行诊断决策,推动脉诊客观化发展。